简介这份Halcon第六章Calibration的英文直译中文版PDF面向计算机视觉与视觉检测工程师、Halcon初学者及需要补齐相机标定知识的中级开发者针对标定流程零散、术语理解困难与参数配置易出错等问题提供无删减的中文参考。内容围绕相机模型、标定对象与图像采集展开依次说明校准数据模型创建、观测点提取、calibrate_cameras调用、RMSE结果检查以及内部参数、外部参数、角度与径向畸变校正等关键概念并覆盖单目、双目、多视图和手眼标定等设置。资源包共1个PDF文件大小约813KB轻量便于随查随用。已有362人学习或下载。读者可据此系统梳理从准备标定板、采集图像到评估精度的完整知识链路理解投影与反投影、自标定及不同3D相机模型的限制适合作为Halcon标定章节的中文对照手册和项目排错参考。1. 拿到第六章 Calibration 中译先判断这份手册能替你省掉哪几步计算机视觉里做标定Halcon 这套操作符链最怕只记函数名这份 Halcon 参考手册英文直译中文版第六章 Calibration 标定把视觉检测算法里最常翻车的参数边界摊开了。常见翻车不是calibrate_cameras不会调而是标定板拍得太正、标记太小、远心镜头 z 不可辨识却硬要一个数。第六章中译的价值在于把“输入数据怎么准备、参数哪些固定、RMSE 怎么读、线扫和远心有哪些限制”连成一条线适合已经能跑通单目标定、但结果不稳或不知道怎么验收的从业者也适合刚接触 Halcon 标定、想少走弯路的新手。2. 标定输入数据怎么准备从 create_calib_data 到观测点入库的五个动作第六章 6.3 节把标定输入数据准备拆成五步创建标定数据模型、设置相机类型和初始内参、描述标定对象、采集观测点、配置优化排除项。这五步看着像流程清单实际每一步都埋着“参数不可辨识”的坑。标定相关任务不只有单目还有双目、多视图、手眼和自校准但输入数据模型这条主线是共通的先把单目这条线走顺后面换多相机或手眼改的是相机数量、标定对象数量和姿态约束不是把整套逻辑推翻重来。2.1 先定标定板六边形标记与矩形标记的视野边界标定板不是随便打印一张棋盘格就能替代。手册里明确说自打印标定对象通常精度不够高精度应用要用高精度标定板用任意对象标定也不是不行但要求特征点在图像里能鲁棒检测且这些点的 3D 世界位置高精度已知。常见做法是先用标准标定板把相机模型跑通再考虑用工件上的自然特征做自校准或现场校验。六边形排列标记和矩形排列标记的板子差异不只是图案形状而是拍摄边界和原点定义不同。下面这张表是我对照 6.2 节和 6.7.2 节整理的选板前先看这一眼比拍完再返工省事。对比项六边形排列标记板矩形排列标记板生成/描述用create_caltab这一类方式生成描述用gen_caltab这一类方式生成描述图像中可见性不要求整块板完全可见但至少要有一个 finder 图案可见板子必须完全可见finder 图案是围绕点标记的框架镜像检测至少看到两个 finder 图案才能判断板子是否被镜像依靠完整框架和角标记定位坐标系原点第一个 finder 图案中心标记的中心标定板表面的中间坐标轴方向z 轴沿视线方向指向标定板x 轴向右y 轴向下同样 z 轴指向标定板x 向右y 向下图像数量经验线至少 6 张其中至少 4 张倾斜至少 15 张且姿态要满足覆盖要求老路径注意走camera_calibration这条老路径时六边形板不适用按对应流程使用选板时我一般先问三个问题视场能不能让整块矩形板完全可见现场有没有空间把板子倾斜到 30–45°测量区域是不是集中在视场边缘。如果视场很紧、板子只能露出一部分六边形板更宽容如果追求姿态估计稳定、板子能完整入镜矩形板也行但图像数量要够不能拿五六张正对镜头的图凑数。拍摄时还有两个硬边界。标记直径在每个图像里至少 20 像素这是成功校准的关键要求标定板明暗区域对比度至少 100 灰度值按字节图像浅色部分灰度值不要超过 240尤其别在标记附近过曝。标定板要均匀照明避免反射浅色部分灰度值范围经验上不要超过 45。这些数字后面第 6 章会做成检查单拍摄现场直接照着卡。注意如果图像做了子采样Sx、Sy、Cx、Cy、ImageWidth、ImageHeight的初始值都要跟着改不是只改分辨率。子采样会让比例因子变大、主点和图像尺寸变小初始值填错后面优化再努力也容易跑偏。2.2 相机内参初始值Focus、Kappa、Sx、Sy 哪些会被固定set_calib_data_cam_param要填相机类型字符串和初始内参元组。区域扫描相机常见的是area_scan_division和area_scan_polynomial远心区域扫描相机对应area_scan_telecentric_division和area_scan_telecentric_polynomial线扫又分line_scan_division、line_scan_polynomial、line_scan_telecentric_division等。相机类型字符串不是标签它决定参数元组的顺序和哪些参数会被算法固定。以普通镜头面扫的area_scan_division为例参数顺序是参数位置参数名含义初始值怎么给1Focus镜头焦距米用镜头标称焦距例如 0.0082Kappa径向畸变系数分割模型用单位 m⁻²先用 0.03Sx传感器相邻单元水平距离米查相机芯片规格子采样时要改4Sy传感器相邻单元垂直距离米算法会固定不由优化估计5Cx主点列坐标像素可用图像宽度一半做初值6Cy主点行坐标像素可用图像高度一半做初值7ImageWidth采样图像宽度像素按实际处理图像填8ImageHeight采样图像高度像素按实际处理图像填这里最容易被忽略的是“固定项”。投影相机用针孔模型描述时Focus、Sx、Sy不能同时确定所以算法保持Sy不变远心镜头不能同时确定Magnification、Sx、Sy同样保持Sy不变。像侧远心的倾斜镜头还无法同时确定Focus、Sx、Sy、Tilt、Rot除了Sy还会固定Sx。线扫相机里Sx、Sy在 division 和 polynomial 模型下都带星号固定远心线扫的Vz也无法确定会保留初始值。这些不是实现细节而是你填初始值时必须接受的边界。如果某个参数你已经精确知道比如相机 0 的图像传感器单元尺寸已经量准只想校准其余参数可以用set_calib_data把这些参数排除出优化。手册给的例子是把sx、sy放进排除设置里。常见做法是机械和芯片规格能保证的参数先固定别让优化去猜但固定太多也可能把误差压到别的参数上固定前先想清楚这个参数的测量手段是否真的比标定可靠。远心镜头还要注意Magnification的初值它是图像尺寸除以物体尺寸例如 0.2 这种量级。线扫相机则多出Vx、Vy、Vz运动矢量单位是米/行初始化质量对整个校准成功很关键。第 4 章会展开线扫和远心的参数边界这里先记住初始值不是随便填 0尤其是Vy和Kappa以外的畸变系数。2.3 观测点入库find_calib_object 与 set_calib_data_observ_points 的分工观测点采集有两条路。find_calib_object直接从图像里提取标定标记把图像坐标和标定对象相对相机的粗略姿态写进标定数据模型set_calib_data_observ_points用于你已经有一组提取好的标记坐标或者想用自己的亚像素提取结果替换自动提取。现场常见做法是先用find_calib_object跑通再在提取不稳定时用set_calib_data_observ_points手动补点或换提取参数。下面这段是 HDevelop 风格的流程骨架数值只是占位实际要按你的相机规格和标定板描述文件替换。代码里的注释标了每一步在干什么后面再逐项说明参数。* 创建标定数据模型1 台相机1 块标定板 create_calib_data (calibration_object, 1, 1, CalibDataID) * 设置相机类型与初始内参 * 顺序Focus, Kappa, Sx, Sy, Cx, Cy, ImageWidth, ImageHeight set_calib_data_cam_param (CalibDataID, 0, area_scan_division, \ [0.008, 0.0, 3.45e-6, 3.45e-6, 640, 480, 1280, 960]) * 设置标定板描述文件必须和实际板子对应 set_calib_data_calib_object (CalibDataID, 0, caltab.descr) * 逐张图像提取标定板观测 for Index : 0 to |Images| - 1 by 1 read_image (Image, Images[Index]) * PoseIdx 用图像序号表示第几次观测 find_calib_object (Image, CalibDataID, 0, 0, Index, [], []) endfor * 执行标定Error 返回后投影误差 calibrate_cameras (CalibDataID, Error) * 读取优化后的相机内参 get_calib_data (CalibDataID, camera, 0, params, CameraParam)create_calib_data的第一个参数calibration_object表示用标定对象做校准后面两个整数分别是相机数量和标定对象数量。CalibDataID是句柄后面所有设置、观测入库、校准和结果读取都围绕它走。set_calib_data_cam_param的0是相机索引area_scan_division是相机类型最后一个元组必须严格按该类型的参数顺序填。set_calib_data_calib_object的0是标定对象索引caltab.descr是描述文件占位实际要用和标定板匹配的文件描述文件里包含标记的 3D 坐标填错文件等于让优化拿错世界坐标。find_calib_object里的CameraIdx、CalibObjIdx、PoseIdx分别对应相机索引、标定对象索引和观测索引。PoseIdx用图像序号是为了让每张图占一个观测槽位后面查外参时能用同一个索引取回。find_calib_object会估计标定对象相对相机的粗略姿态这个姿态是初值不是最终结果最终外参由calibrate_cameras优化后存回模型。若自动提取失败先查标记直径、对比度、标定板是否倒置再考虑换set_calib_data_observ_points手动入库。calibrate_cameras返回的Error是后投影均方根误差单位是像素。它对应后投影标定点与提取图像坐标之间的平均距离不是“标定成功”的布尔值。第 3 章会讲怎么读这个数以及为什么 RMSE 小也不代表新图一定准。3. calibrate_cameras 跑完不是结束RMSE、协方差与参数读取的验收线calibrate_cameras返回正常只说明优化过程跑完了不等于这组参数能用于测量。手册 6.4 节说得很清楚校准会修改输入模型计算外参、标准差、协方差和后投影 RMSE然后可以用get_calib_data查结果。我一般把验收拆成三层先看整体 RMSE再看关键参数的标准差和协方差最后拿不参与标定的验证图做独立检查。三层都过才把这组参数写进测量程序。3.1 RMSE 读到 0.1 像素附近时先别高兴单相机标定时后投影 RMSE 在 0.1 像素左右通常说明优化和观测数据拟合得不错因为提取标定标记坐标本身就有典型检测误差。误差和 0.1 像素差很多才需要怀疑图像质量差、标定图像数量不足、标定板不准确或拍摄几何不合理。这里容易走两个极端一种是看到 0.08 就认为万事大吉另一种是看到 0.2 就盲目加多项式模型。RMSE 小但新图测量偏常见原因是标定板覆盖不够或姿态太单一。所有标定板图像都正对镜头、彼此平行时焦距和标定板到相机的距离会耦合优化可以把 RMSE 压得很低但参数并不是唯一可辨识的。手册 6.9 节专门提醒针孔相机如果在所有图像中校准板彼此平行尤其都在同一平面六个外参和焦距没法一起确定。解决办法不是换模型而是补拍不同方向倾斜的标定板图像让视场每个部分至少被板子覆盖一次。还有一种情况是 RMSE 正常但边缘区域测量偏。这往往和畸变模型覆盖有关标定板只覆盖了视场中间多项式模型在边缘外推误差就跑到没被覆盖的区域。第 4 章会讲 division 和 polynomial 的选择这里先记住RMSE 是全局后投影的平均距离不告诉你误差在视场里的分布。验收时要看残差分布或者至少留几张覆盖四角的验证图。3.2 get_calib_data 取内参、外参和标准差get_calib_data是标定结果读取的总入口。常用查询项可以按下面这张表理解具体字符串以手册对应小节为准不同查询对象返回的元组长度不同别拿内参元组去套外参。查询对象查询项用途cameraparams取优化后的相机内参cameraparams_deviations取内参标准差判断哪些参数观测不足cameraparams_covariances取内参协方差看参数之间的相关性calib_obj_posepose取标定对象相对相机的姿态即外参calib_obj标定对象相关项查标定对象描述和观测信息外参 pose 元组通常包含TransX、TransY、TransZ、RotX、RotY、RotZ和一个表示类型编码。平移单位跟标定板单位一致手册默认标定板以米为单位旋转单位取决于 pose 表示类型常见是度但不要凭习惯硬写读出来先看表示类型。相机坐标系的 x 轴和 y 轴平行于图像的列轴和行轴z 轴垂直于图像平面线扫相机的外参是指第一图像线的相机坐标系不是整个运动过程的某一个中间位置。标准差表比内参本身更值得看。某个内参标准差很大说明这组图像对这个参数约束弱优化只能给出一个“看起来合理”的数。常见做法是把标准差和测量公差放在一起看如果标准差已经接近或超过公差允许的三分之一先补图像或改拍摄几何不要急着上线。协方差则用来看参数之间是否强相关比如焦距和距离、主点和比例因子强相关时单个参数漂移不一定代表整体投影差但会让参数解释变得不可靠。3.3 双目与手眼标定的检查点不一样单目看 RMSE 和参数标准差双目还要看多视图之间的约束。双目或多相机标定不是把两个单目结果拼在一起标定数据模型里相机数量、标定对象数量、共视观测和基线都会影响优化。检查时除了看整体后投影误差还要看两个相机对同一标定板姿态的观测是否一致、基线是否稳定、共视区域是否足够。手册把多视图检查指向 Calibration/Multi-View 对应小节现场验收时我一般会额外留一组双目同步图用已知尺寸件测深度或视差确认不是只在标定图像上拟合得好。手眼标定又不一样。手眼标定的结果不是单纯的相机内参而是相机和机器人之间的坐标关系RMSE 只能说明标定板重投影拟合情况不能直接证明手眼矩阵可用于抓取。常见做法是让机器人走多个位姿每个位姿拍标定板或已知工件检查不同位姿下算出的手眼矩阵是否一致再用一个不参与标定的目标点做闭环验证。只盯单相机 RMSE 就签字是手眼标定里很容易踩的坑。4. 畸变模型与 3D 相机模型division 与 polynomial 的选型边界畸变模型选错参数看起来正常测量边缘却偏。区域扫描相机常见两种畸变模型分割模型 division 和多项式模型 polynomial。分割模型用一个Kappa模拟径向畸变多项式模型用K1、K2、K3模拟径向畸变用P1、P2模拟离心畸变。手册 6.7.3 节的建议很直接通常应使用 division 模型如果标定精度不够高再考虑 polynomial但多项式模型要求更好的覆盖尤其是在后续要测量的区域。4.1 division 模型解析可逆带来的速度优势division 模型的优势不只是参数少。它用Kappa一个参数描述径向畸变方程可以解析反转从畸变像平面坐标到未畸变坐标有闭式解反过来也能解析算。逆畸变在投影世界坐标到图像平面时很常用解析可逆意味着速度快数值稳定性也更好。标定图像数量少、视场覆盖不充分时division 模型通常比 polynomial 更稳因为它没有那么多高阶项去拟合局部噪声。我一般先把 division 跑通把 RMSE、参数标准差和验证图都看一遍。如果验证图在测量区域内的偏差已经小于公差的三分之一就不急着换 polynomial。division 的边界是只模拟径向畸变不模拟离心畸变镜头装配偏心明显、边缘畸变不对称时division 可能不够。但“不够”要用验证图说话不是看参数表觉得多项式更高级就换。还有一点容易忽略division 模型的Kappa初值用 0.0单位是 m⁻²。如果镜头畸变很大初值离真值远优化可能收敛慢或落到局部解。常见做法是先用一组覆盖好的图像跑 division看 RMSE 和残差方向再决定是否换 polynomial不要一上来就用多项式硬拟合更不要用多项式去救拍摄几何问题。4.2 polynomial 模型覆盖不足时误差会跑到边界外polynomial 模型的优势是模拟能力更强三个径向项加两个离心项能更准确地描述复杂畸变。代价是它不能解析反转逆畸变必须迭代计算比 division 慢而且高阶项需要更好的覆盖标定板没覆盖到的区域可能被外推得很离谱。手册明确提醒多项式模型在校准板覆盖区域之外可能不准确模拟变形图像边界和视场内未被标定板覆盖的区域都算“之外”。所以选型顺序我通常是这样先 division覆盖视场四角和中心拍够倾斜姿态如果测量区域内的独立验证偏差仍然大再换 polynomial同时补拍测量区域附近的标定板图像。换模型后不要只看 RMSE必须拿之前留的验证图复测。常见翻车是 division 的 RMSE 0.12换 polynomial 后 RMSE 降到 0.05但边缘验证点偏差反而变大因为多项式把中间拟合得很好边界外推却不受约束。注意多项式模型不是“更准”的同义词它只是表达能力更强。标定板覆盖不足时表达能力越强外推风险越大。4.3 线扫与远心Vx、Vy、Vz 和 Magnification 的初始化线扫相机的模型比面扫多一层运动建模。手册假设相机沿直线匀速移动、方向恒定、所有图像的运动相等运动矢量V (Vx, Vy, Vz)在相机坐标系里以米/行给出。运动矢量描述相机运动等价于固定相机、物体沿-V移动。线扫相机坐标系的原点是投影中心针孔或畸变中心远心z 轴沿光轴y 轴垂直于传感器线且让运动矢量有正 y 分量x 轴和 y、z 构成右手系。初始化时常见做法是把相机装到使传感器线垂直于传送带相机系统 y 轴与传送带平行先设Vx Vz 0再用已知尺寸物体标定板、标尺的线扫图像确定Vy初值。如果相机绕光轴旋转 30°或者绕相机 x 轴旋转 -20°初始值要按旋转关系更新不能还拿第一次安装的Vx、Vy、Vz硬套。手册特别强调Vx、Vy、Vz初值质量对整个校准成功很关键不够精确可能导致校准失败。远心线扫还有一条硬边界Vz对 3D 点的图像位置没有影响因此无法确定算法会保留初始值。所以远心线扫的Vz初始值应该设 0不要指望优化给你一个有意义的值。远心镜头本身也有类似问题标定板与相机之间的距离无法确定标定板姿态的 z 分量在测量结果中会被设置为 1 米。看到远心标定结果里 z 一直是 1 米不要当成 bug这是模型不可辨识的表现。倾斜镜头则多出Tilt、Rot、ImagePlaneDist。Tilt描述光轴相对传感器平面法向的倾斜角Rot描述光轴绕 z 轴的旋转ImagePlaneDist是镜头出瞳到成像平面的距离。手册提醒透镜畸变越大Tilt越能准确确定畸变较小的镜头Tilt可能无法确定优化后的Tilt参数可能和设定标称值差很多。这种情况先看误差和实际测量重复性不要只凭参数漂移判失败。从 3D 世界点到像素坐标的转换链手册拆成世界坐标到相机坐标、投影到图像平面、镜头畸变、倾斜像面投影、像素坐标几步。面扫和线扫的公式不同但思路一致先看模型假设是否成立再看参数是否可辨识最后看验证误差。模型选型不是背参数表而是知道哪些参数在这个设置下根本估不出来。5. 标定避坑与排查五条现场翻车记录标定翻车大多不在calibrate_cameras那一行而在拍摄现场和参数假设里。下面五条是我整理第六章时反复对照的典型问题每条按“现象 → 原因 → 解决”写现场排查可以直接照顺序过一遍。血泪经验是先怀疑拍摄几何和图像质量再怀疑模型最后才怀疑操作符用法。5.1 拍摄几何与图像质量三条高发翻车第 1 条标定板全正对镜头RMSE 很小但新图测量偏。现象标定图像每张都拍得很正标定板几乎平行于图像平面calibrate_cameras返回的 RMSE 只有 0.05 像素但拿新图测已知尺寸边缘偏差明显。原因针孔相机在所有标定板图像彼此平行时焦距和标定板到相机的距离耦合六个外参和焦距没法一起唯一确定优化可以把后投影误差压低但参数不是唯一解。解决补拍倾斜标定板图像板子向不同方向倾斜约 30–45°至少 4 张带倾斜让视场每个部分至少被标定板覆盖一次四角和中心都要有图。如果景深有限做不到 30–45°至少把板子倾斜到当前设置能承受的陡角度并把这个限制记进验收条件。第 2 条标记直径太小或对比度不够find_calib_object提取不稳定。现象部分图像能提取到标定板部分图像报错或只提取到少量标记强行标定后 RMSE 忽大忽小重复性差。原因标定标记的亚像素中心提取依赖边缘清晰度标记直径小于 20 像素时中心定位噪声会明显放大明暗对比度不足 100 灰度值边缘过渡不锐利提取结果更飘。解决先调工作距离、焦距或分辨率让标记直径在每个图像里至少 20 像素检查照明让标定板明暗区域对比度至少 100 灰度值字节图像。不要用降低提取阈值硬救标记中心偏了后面优化只会把错误摊到内参里。第 3 条过曝、反光、照度不均RMSE 大且边缘测量不稳。现象标定板浅色区域发白标记附近有高光标定能跑完但 RMSE 明显大于 0.1 像素验证图在反光区域偏差大。原因浅色部分灰度值超过 240 后标记边缘饱和中心提取会向亮区或暗区偏移标定板表面照度不均、有反射时同一块板在不同姿态下的提取偏差不一致优化只能折中。解决降低曝光或加漫射照明保证浅色部分灰度值不超过 240尤其别在标记附近过曝标定板均匀照明避免镜面反射浅色部分灰度值范围经验上不要超过 45。拍完先抽几张看灰度直方图别等标定失败再回头查。5.2 参数不可辨识与流程错误两条隐蔽翻车第 4 条远心 z 或线扫Vz被误判为标定失败。现象远心本文还有配套的精品资源点击获取